拿到第一份行情数据：数据源、复权与交易日历
本课目标：从免费数据源拿到第一份 A 股日线数据，理解每个字段的含义、选对复权口径，并把数据规整地存到本地。
常见的免费数据源
入门阶段不需要花钱买数据，几个常见的 Python 免费数据源足够练手：
| 数据源 | 特点 | 使用门槛 |
|---|---|---|
| akshare | 接口多，覆盖股票、基金、宏观等 | 免费，无需注册 |
| tushare | 接口规范，文档完整 | 需注册获取 token，部分接口有积分要求 |
| baostock | 专注股票历史数据，稳定 | 免费，需登录会话 |
三者的接口风格不同，但返回的核心内容大同小异：一只股票、一段日期、每天一行的开高低收和成交量。建议先选一个用熟，不要来回切换。免费数据源的共同短板是接口偶有变动、数据偶有缺漏，所以拿到数据先检查、再使用，是必须养成的习惯。
还有一个隐蔽问题值得知道：幸存者偏差。有些接口按”当前上市的股票列表”取历史数据，已退市的股票不在其中——用这样的股票池做长期回测，等于事先剔除了所有失败者，结果会系统性偏乐观。入门阶段先在少数标的上练手感受流程，做全市场研究时再认真处理这个问题。
日线数据的字段含义
一份典型的日线数据长这样：
| 字段 | 含义 | 备注 |
|---|---|---|
| date | 交易日 | 只包含交易日，不含周末节假日 |
| open / high / low / close | 开、高、低、收 | 注意是什么复权口径 |
| volume | 成交量 | 单位可能是股或手，务必确认 |
| amount | 成交额 | 单位可能是元、千元或万元 |
两个新手常踩的坑：一是单位，不同数据源的成交量单位不统一，“手”（100 股）和”股”差 100 倍；二是复权口径，很多接口默认返回不复权价格，直接拿去算收益率会在除权日出错。
有些接口还会附带涨跌幅、换手率等衍生字段。建议入门阶段只依赖开高低收、成交量这些原始字段，衍生指标自己用代码算——一方面锻炼基本功，另一方面不同数据源的衍生字段口径经常不一致，自己算的才知道口径是什么。
复权口径怎么选
上一课讲过除权除息，这里给出操作建议：
- 算收益率、做回测：用后复权。后复权价格从上市第一天起保持可比，跨越任意分红送股都不会出现虚假跳变。前复权有一个隐蔽的问题——每次新的分红发生后，全部历史价格都会被重新调整，导致你上个月存的数据和这个月下载的对不上，回测结果无法复现。
- 看图、和行情软件对照：用前复权，因为最新价格和实盘一致，看起来直观。
- 判断涨跌停、估算真实成交价：用不复权。
一个稳妥的做法是同时保存不复权价格和复权因子（或直接保存两套价格），需要哪个口径就用哪个，不要事后互相换算时手忙脚乱。
交易日历与缺失值
A 股每年大约有 240 多个交易日。周末、法定节假日不交易，个股还可能停牌。这带来两类问题：
- 不要用自然日推算。“过去 20 天”在量化语境里几乎总是指 20 个交易日。用 pandas 的日期偏移按自然日取数据，遇到长假会取错。
- 区分”市场休市”和”个股停牌”。前者所有股票都没数据，后者只有这只股票没数据。把多只股票对齐到同一个日期索引时，停牌造成的空值需要明确的处理规则——通常价格不前向填充就不要乱填，收益率处理成 0 或空值要想清楚含义。
交易日历本身也可以从数据源获取，拿指数（比如上证指数）的日线日期序列当日历，是一个简单可靠的土办法：
import pandas as pd
# 用指数日线的日期序列充当交易日历index_df = pd.read_parquet("data/sh000001.parquet")calendar = pd.DatetimeIndex(index_df["date"]).sort_values()
# 把个股数据对齐到交易日历上，停牌日会显示为 NaNstock = stock.set_index("date").reindex(calendar)对齐之后，哪些天停牌一目了然，后续处理停牌的规则也就有了落点。
把数据存下来
不要每次研究都现场调接口：慢、不稳定、且数据可能悄悄变化导致结果不可复现。建议的流程是”下载一次，本地读取”：
import akshare as ak
# 获取某只股票的后复权日线（示意，接口参数以文档为准）df = ak.stock_zh_a_hist( symbol="600519", period="daily", start_date="20200101", end_date="20251231", adjust="hfq",)df.to_parquet("data/600519_hfq.parquet")CSV 和 Parquet 的取舍：
- CSV：肉眼可读，方便用 Excel 检查，但文件大、读取慢、不保存数据类型（日期读回来常变成字符串）。
- Parquet：列式存储，文件小、读写快、保留类型，适合当作主力格式。
推荐 Parquet 为主、少量 CSV 用于人工抽查。目录按”一个标的一个文件”或”一个市场一张大表”组织都可以，关键是命名里带上复权口径，例如 600519_hfq.parquet，避免几个月后自己都分不清这份数据是什么口径。
另外两条工程习惯值得从第一天就养成。一是增量更新：每天只补最近缺的部分，而不是每次全量重下，既快又减少对免费接口的压力。二是保留下载日期的记录：在文件名或单独的日志里记下这份数据是什么时候下载的，将来发现数据异常时才能回溯。
拿到数据后至少做三项检查：日期是否有重复、价格是否出现零或负值、成交量单位是否与你的预期一致。用 df.describe() 扫一眼各列的最大最小值，用 df.isna().sum() 看看缺失分布，两行代码就能拦下大部分脏数据。数据阶段多花的每一分钟，都会在后面回测排错时成倍地省回来。本文不构成投资建议，数据接口的具体用法以各数据源官方文档为准。
本课小结
- akshare、tushare、baostock 都能免费拿到 A 股日线，选一个用熟即可。
- 拿到数据先确认两件事：成交量单位、复权口径。
- 回测用后复权，看图用前复权，判断涨跌停用不复权。
- 时间计算永远以交易日历为准，个股停牌与市场休市要区分对待。
- 数据下载一次、存成 Parquet 本地复用，文件名里写清复权口径。
动手练习：任选一个数据源，下载一只股票近三年的日线数据，分别以不复权和后复权两种口径各存一份 Parquet。找出两份数据价格差异最大的日期，验证它是否对应一次分红或送股。